Aufbau eines mehrstufigen e-Assessments unter Verwendung der Bildungsplattform OPAL/ONYX für leistungsgerechte Vorbereitung von Laborpraktika
Auf einen Blick
Autor:innen & Herausgeber:innen
Das könnte Sie auch interessieren
autonomous.next
autonomous.next (Next-level Education for X-disciplinary Teams in automous driving) etabliert einen didaktisch und technologisch hochinnovativen Lehrverbund, in dem Studierende in agilen Teams komplexe technische Systeme des autonomen Fahrens entwickeln, theoretische Kenntnisse vertiefen und modernste Technologien praxisnah umsetzen. Im Prozess des forschenden Lernens entwickeln wir eine autonome Fahrzeugplattform, von sensorbasierter Perzeption bis zur Aktuation. Komponenten werden in interdisziplinären Teams realisiert, erfordern eine intensive Abstimmung an Schnittstellen und fördern im Verbund umfassendes Systemdenken. Studierende können so das Fahrzeug mehrphasig vom Konzept über Simulation bis zum Einsatz im Wettbewerb (Shell Eco-marathon) zum Erfolg führen. Technisch stehen dabei Kompetenzen aus Informationstechnik (SW, Embedded, KI, Computer Vision), Elektrotechnik, Systems Engineering und Fahrzeugtechnik im Zentrum.Dabei verknüpfen wir physische und virtuelle Formate: Grundlagen vermitteln Vorlesungen wie Kognitive Robotik und ADAS, während digitale und physische Selbstlernmodule studierendenindividuelles Lernen ermöglichen. Dies bildet jedoch nur das Fundament für die eigentlichen Teamprozesse, die den Systemverbund realisieren, aktuelle Technologien und Wissenschaft integrieren und nah am State-of-the-Art von Industrie und Forschung agieren. Personelle Ressourcen als Nucleus und zur langfristigen Verstetigung sind dabei Kern der Förderung.
Projekt anzeigen
E-Learning Analytics Tool
Die Entwicklung zielt darauf ab, eine intuitive, webbasierte Auswertungsplattform zu erstellen, die Lehrkräften dient, um den Lernfortschritt effektiv zu visualisieren und zu verfolgen. Diese Plattform soll als zentrales Werkzeug dienen, um den Fortschritt der Studierenden in verschiedenen Bereichen zu überwachen und zu analysieren. Sie wird darauf ausgelegt sein, sowohl einfache als auch komplexe Daten über den Lernfortschritt zu erfassen, zu verarbeiten und darzustellen. [Anm. StIL: Diese Maßnahme wurde in einer Vorgängerversion der Abfrage dokumentiert. Bei der Übertragung auf das aktuelle Format kann es vorkommen, dass die Antworten nicht hundertprozentig zur Frage passen.]
Maßnahme anzeigen
CoFacS – Simulating a Complete Factory to Study the Security of Interconnected Production
While the digitization of industrial factories provides tremendous improvements for the production of goods, it also renders such systems vulnerable to serious cyber-attacks. To research, test, and validate security measures protecting industrial networks against such cyber-attacks, the security community relies on testbeds to simulate industrial systems, as utilizing live systems endangers costly components or even human life. However, existing testbeds focus on individual parts of typically complex production lines in industrial factories. Consequently, the impact of cyber-attacks on industrial networks as well as the effectiveness of countermeasures cannot be evaluated in an end-to-end manner. To address this issue and facilitate research on novel security mechanisms, we present CoFacS, the first COmplete FACtory Simulation that replicates an entire production line and affords the integration of real-life industrial applications. To showcase that CoFacS accurately captures real-world behavior, we validate it against a physical model factory widely used in security research. We show that CoFacS has a maximum deviation of 0.11% to the physical reference, which enables us to study the impact of physical attacks or network-based cyber-attacks. Moreover, we highlight how CoFacS enables security research through two cases studies surrounding attack detection and the resilience of 5G-based industrial communication against jamming.
Publikation anzeigen